Στοιχεία επιβλεπόντων καθηγητών:
Αθανασία Αλωνιστιώτη, Αναπληρώτρια Καθηγήτρια, Τμήμα Πληροφορικής & Τηλεπικοινωνιών, ΕΚΠΑ
Περίληψη:
Βασικός τομέας ενασχόλησης της παρούσας διπλωματικής εργασίας είναι η ανίχνευση επιληπτικών κρίσεων με χρήση μεθόδων μηχανικής μάθησης. Τα δεδομένα που χρησιμοποιήθηκαν προέρχονται από επιφανειακά ηλεκτροεγκεφαλογραφήματα (EEG). Πρόκειται για τη CHB-MIT βάση δεδομένων που διατίθεται δωρεάν στην πλατφόρμα PhysioNet. Στα πλαίσια της υλοποίησης εξετάστηκε όλη η διαδικασία διαχείρισης των δεδομένων από τη λήψη τους, την εξαγωγή χαρακτηριστικών (μέση τιμή, διακύμανση, ασυμμετρία, κύρτωση, τυπική απόκλιση, διάμεσος, διασχίσεις μηδενικού άξονα, ενεργός τιμή, εύρος μεταβολής, εντροπία δείγματος, ισχύς μέσω PSD στις συχνότητες δέλτα, θήτα (theta), άλφα (alpha), βήτα (beta), γάμμα (gamma), μέγιστη αλληλοσυσχέτιση) σε αυτά, την κανονικοποίησή τους (z-score), τη μείωση διαστάσεων (PCA) με διατήρηση τής εγγενούς πληροφορίας τους, την εξισορρόπηση των δειγμάτων (Cluster Centroids, ADASYN), επιληπτικών και μη, έως την εκπαίδευση, τη βελτιστοποίηση (αναζήτηση πλέγματος) και την εφαρμογή των ταξινομητών (SVM, kNN, Απλοϊκός Bayes, Δέντρα Απόφασης, Τυχαίο Δάσος, LDA, Λογιστική Παλινδρόμηση, Νευρωνικό Δίκτυο με LSTM), την αξιολόγηση τους (ακρίβεια, ευαισθησία, ειδικότητα, αξιοπιστία, βαθμολογία F1, συντελεστής συσχέτισης Matthews, συντελεστής κ του Cohen) και τη σύγκριση των αποτελεσμάτων. Διενεργούνται τρία διαφορετικά πειράματα είτε χρησιμοποιώντας τις μετρήσεις από όλα τα ηλεκτρόδια είτε τμήμα αυτών. Η βασική διαφορά της μεθόδου μας σε σχέση με τη βιβλιογραφία είναι ότι εξετάζονται τα αποτελέσματα της γενίκευσης σε αντίθεση με τις εστιασμένες στον κάθε ασθενή μεθόδους που συνήθως συναντάται. Η υλοποίηση όλων των παραπάνω γίνεται μέσω της γλώσσας Python, που είναι η δημοφιλέστερη για εφαρμογές μηχανικής μάθησης, και της πλατφόρμας Jupyter.
Λέξεις-κλειδιά:
Ανίχνευση Κρίσεων Επιληψίας, Hλεκτροεγκεφαλογράφημα, Εγκεφαλική Δραστηριότητα, Εξαγωγή Χαρακτηριστικών, Αλγόριθμοι Ταξινόμησης
